含并行连结的网络（GoogLeNet）

:label:sec_googlenet

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet :cite:Szegedy.Liu.Jia.ea.2015的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。 这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。 毕竟，以前流行的网络使用小到$1 \times 1$，大到$11 \times 11$的卷积核。 本文的一个观点是，有时使用不同大小的卷积核组合是有利的。 在本节中，我们将介绍一个稍微简化的GoogLeNet版本：我们省略了一些为稳定训练而添加的特殊特性，现在有了更好的训练方法，这些特性不是必要的。

(Inception块)

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》（Inception），因为电影中的一句话“我们需要走得更深”（“We need to go deeper”）。

Inception块的架构。 :label:fig_inception

如 :numref:fig_inception所示，Inception块由四条并行路径组成。 前三条路径使用窗口大小为$1\times 1$、$3\times 3$和$5\times 5$的卷积层，从不同空间大小中提取信息。 中间的两条路径在输入上执行$1\times 1$卷积，以减少通道数，从而降低模型的复杂性。 第四条路径使用$3\times 3$最大汇聚层，然后使用$1\times 1$卷积层来改变通道数。 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

```{.python .input} from d2l import mxnet as d2l from mxnet import np, npx from mxnet.gluon import nn npx.set_np()

class Inception(nn.Block):

  1. # c1--c4是每条路径的输出通道数
  2. def __init__(self, c1, c2, c3, c4, **kwargs):
  3.     super(Inception, self).__init__(**kwargs)
  4.     # 线路1，单1x1卷积层
  5.     self.p1_1 = nn.Conv2D(c1, kernel_size=1, activation='relu')
  6.     # 线路2，1x1卷积层后接3x3卷积层
  7.     self.p2_1 = nn.Conv2D(c2[0], kernel_size=1, activation='relu')
  8.     self.p2_2 = nn.Conv2D(c2[1], kernel_size=3, padding=1,
  9.                           activation='relu')
  10.     # 线路3，1x1卷积层后接5x5卷积层
  11.     self.p3_1 = nn.Conv2D(c3[0], kernel_size=1, activation='relu')
  12.     self.p3_2 = nn.Conv2D(c3[1], kernel_size=5, padding=2,
  13.                           activation='relu')
  14.     # 线路4，3x3最大汇聚层后接1x1卷积层
  15.     self.p4_1 = nn.MaxPool2D(pool_size=3, strides=1, padding=1)
  16.     self.p4_2 = nn.Conv2D(c4, kernel_size=1, activation='relu')
  18. def forward(self, x):
  19.     p1 = self.p1_1(x)
  20.     p2 = self.p2_2(self.p2_1(x))
  21.     p3 = self.p3_2(self.p3_1(x))
  22.     p4 = self.p4_2(self.p4_1(x))
  23.     # 在通道维度上连结输出
  24.     return np.concatenate((p1, p2, p3, p4), axis=1)
  2. ```{.python .input}
  3. #@tab pytorch
  4. from d2l import torch as d2l
  5. import torch
  6. from torch import nn
  7. from torch.nn import functional as F
  9. class Inception(nn.Module):
  10.     # c1--c4是每条路径的输出通道数
  11.     def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
  12.         super(Inception, self).__init__(**kwargs)
  13.         # 线路1，单1x1卷积层
  14.         self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
  15.         # 线路2，1x1卷积层后接3x3卷积层
  16.         self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
  17.         self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
  18.         # 线路3，1x1卷积层后接5x5卷积层
  19.         self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
  20.         self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
  21.         # 线路4，3x3最大汇聚层后接1x1卷积层
  22.         self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
  23.         self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)
  25.     def forward(self, x):
  26.         p1 = F.relu(self.p1_1(x))
  27.         p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
  28.         p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
  29.         p4 = F.relu(self.p4_2(self.p4_1(x)))
  30.         # 在通道维度上连结输出
  31.         return torch.cat((p1, p2, p3, p4), dim=1)

```{.python .input}

@tab tensorflow

from d2l import tensorflow as d2l import tensorflow as tf

class Inception(tf.keras.Model):

  1. # c1--c4是每条路径的输出通道数
  2. def __init__(self, c1, c2, c3, c4):
  3.     super().__init__()
  4.     # 线路1，单1x1卷积层
  5.     self.p1_1 = tf.keras.layers.Conv2D(c1, 1, activation='relu')
  6.     # 线路2，1x1卷积层后接3x3卷积层
  7.     self.p2_1 = tf.keras.layers.Conv2D(c2[0], 1, activation='relu')
  8.     self.p2_2 = tf.keras.layers.Conv2D(c2[1], 3, padding='same',
  9.                                        activation='relu')
  10.     # 线路3，1x1卷积层后接5x5卷积层
  11.     self.p3_1 = tf.keras.layers.Conv2D(c3[0], 1, activation='relu')
  12.     self.p3_2 = tf.keras.layers.Conv2D(c3[1], 5, padding='same',
  13.                                        activation='relu')
  14.     # 线路4，3x3最大汇聚层后接1x1卷积层
  15.     self.p4_1 = tf.keras.layers.MaxPool2D(3, 1, padding='same')
  16.     self.p4_2 = tf.keras.layers.Conv2D(c4, 1, activation='relu')
  19. def call(self, x):
  20.     p1 = self.p1_1(x)
  21.     p2 = self.p2_2(self.p2_1(x))
  22.     p3 = self.p3_2(self.p3_1(x))
  23.     p4 = self.p4_2(self.p4_1(x))
  24.     # 在通道维度上连结输出
  25.     return tf.keras.layers.Concatenate()([p1, p2, p3, p4])
  2. 那么为什么GoogLeNet这个网络如此有效呢？
  3. 首先我们考虑一下滤波器（filter）的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。
  4. 同时，我们可以为不同的滤波器分配不同数量的参数。
  6. ## [**GoogLeNet模型**]
  8. 如 :numref:`fig_inception_full`所示，GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。
  9. 第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。
  11. ![GoogLeNet架构。](/uploads/projects/d2l-ai-CN/img/inception-full.svg)
  12. :label:`fig_inception_full`
  14. 现在，我们逐一实现GoogLeNet的每个模块。第一个模块使用64个通道、$7\times 7$卷积层。
  16. ```{.python .input}
  17. b1 = nn.Sequential()
  18. b1.add(nn.Conv2D(64, kernel_size=7, strides=2, padding=3, activation='relu'),
  19.        nn.MaxPool2D(pool_size=3, strides=2, padding=1))

```{.python .input}

@tab pytorch

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3), nn.ReLU(), nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

  2. ```{.python .input}
  3. #@tab tensorflow
  4. def b1():
  5.     return tf.keras.models.Sequential([
  6.         tf.keras.layers.Conv2D(64, 7, strides=2, padding='same',
  7.                                activation='relu'),
  8.         tf.keras.layers.MaxPool2D(pool_size=3, strides=2, padding='same')])

第二个模块使用两个卷积层：第一个卷积层是64个通道、$1\times 1$卷积层；第二个卷积层使用将通道数量增加三倍的$3\times 3$卷积层。 这对应于Inception块中的第二条路径。

```{.python .input} b2 = nn.Sequential() b2.add(nn.Conv2D(64, kernel_size=1, activation=’relu’), nn.Conv2D(192, kernel_size=3, padding=1, activation=’relu’), nn.MaxPool2D(pool_size=3, strides=2, padding=1))

  2. ```{.python .input}
  3. #@tab pytorch
  4. b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
  5.                    nn.ReLU(),
  6.                    nn.Conv2d(64, 192, kernel_size=3, padding=1),
  7.                    nn.ReLU(),
  8.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

```{.python .input}

@tab tensorflow

def b2(): return tf.keras.Sequential([ tf.keras.layers.Conv2D(64, 1, activation=’relu’), tf.keras.layers.Conv2D(192, 3, padding=’same’, activation=’relu’), tf.keras.layers.MaxPool2D(pool_size=3, strides=2, padding=’same’)])

  2. 第三个模块串联两个完整的Inception块。
  3. 第一个Inception块的输出通道数为$64+128+32+32=256$，四个路径之间的输出通道数量比为$64:128:32:32=2:4:1:1$。
  4. 第二个和第三个路径首先将输入通道的数量分别减少到$96/192=1/2$和$16/192=1/12$，然后连接第二个卷积层。第二个Inception块的输出通道数增加到$128+192+96+64=480$，四个路径之间的输出通道数量比为$128:192:96:64 = 4:6:3:2$。
  5. 第二条和第三条路径首先将输入通道的数量分别减少到$128/256=1/2$和$32/256=1/8$。
  7. ```{.python .input}
  8. b3 = nn.Sequential()
  9. b3.add(Inception(64, (96, 128), (16, 32), 32),
  10.        Inception(128, (128, 192), (32, 96), 64),
  11.        nn.MaxPool2D(pool_size=3, strides=2, padding=1))

```{.python .input}

@tab pytorch

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32), Inception(256, 128, (128, 192), (32, 96), 64), nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

  2. ```{.python .input}
  3. #@tab tensorflow
  4. def b3():
  5.     return tf.keras.models.Sequential([
  6.         Inception(64, (96, 128), (16, 32), 32),
  7.         Inception(128, (128, 192), (32, 96), 64),
  8.         tf.keras.layers.MaxPool2D(pool_size=3, strides=2, padding='same')])

第四模块更加复杂， 它串联了5个Inception块，其输出通道数分别是$192+208+48+64=512$、$160+224+64+64=512$、$128+256+64+64=512$、$112+288+64+64=528$和$256+320+128+128=832$。 这些路径的通道数分配和第三模块中的类似，首先是含$3×3$卷积层的第二条路径输出最多通道，其次是仅含$1×1$卷积层的第一条路径，之后是含$5×5$卷积层的第三条路径和含$3×3$最大汇聚层的第四条路径。 其中第二、第三条路径都会先按比例减小通道数。 这些比例在各个Inception块中都略有不同。

```{.python .input} b4 = nn.Sequential() b4.add(Inception(192, (96, 208), (16, 48), 64), Inception(160, (112, 224), (24, 64), 64), Inception(128, (128, 256), (24, 64), 64), Inception(112, (144, 288), (32, 64), 64), Inception(256, (160, 320), (32, 128), 128), nn.MaxPool2D(pool_size=3, strides=2, padding=1))

  2. ```{.python .input}
  3. #@tab pytorch
  4. b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
  5.                    Inception(512, 160, (112, 224), (24, 64), 64),
  6.                    Inception(512, 128, (128, 256), (24, 64), 64),
  7.                    Inception(512, 112, (144, 288), (32, 64), 64),
  8.                    Inception(528, 256, (160, 320), (32, 128), 128),
  9.                    nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

```{.python .input}

@tab tensorflow

def b4(): return tf.keras.Sequential([ Inception(192, (96, 208), (16, 48), 64), Inception(160, (112, 224), (24, 64), 64), Inception(128, (128, 256), (24, 64), 64), Inception(112, (144, 288), (32, 64), 64), Inception(256, (160, 320), (32, 128), 128), tf.keras.layers.MaxPool2D(pool_size=3, strides=2, padding=’same’)])

  2. 第五模块包含输出通道数为$256+320+128+128=832$和$384+384+128+128=1024$的两个Inception块。
  3. 其中每条路径通道数的分配思路和第三、第四模块中的一致，只是在具体数值上有所不同。
  4. 需要注意的是，第五模块的后面紧跟输出层，该模块同NiN一样使用全局平均汇聚层，将每个通道的高和宽变成1。
  5. 最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层。
  7. ```{.python .input}
  8. b5 = nn.Sequential()
  9. b5.add(Inception(256, (160, 320), (32, 128), 128),
  10.        Inception(384, (192, 384), (48, 128), 128),
  11.        nn.GlobalAvgPool2D())
  13. net = nn.Sequential()
  14. net.add(b1, b2, b3, b4, b5, nn.Dense(10))

```{.python .input}

@tab pytorch

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128), Inception(832, 384, (192, 384), (48, 128), 128), nn.AdaptiveAvgPool2d((1,1)), nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

  2. ```{.python .input}
  3. #@tab tensorflow
  4. def b5():
  5.     return tf.keras.Sequential([
  6.         Inception(256, (160, 320), (32, 128), 128),
  7.         Inception(384, (192, 384), (48, 128), 128),
  8.         tf.keras.layers.GlobalAvgPool2D(),
  9.         tf.keras.layers.Flatten()
  10.     ])
  12. # “net”必须是一个将被传递给“d2l.train_ch6（）”的函数。
  13. # 为了利用我们现有的CPU/GPU设备，这样模型构建/编译需要在“strategy.scope()”
  14. def net():
  15.     return tf.keras.Sequential([b1(), b2(), b3(), b4(), b5(),
  16.                                 tf.keras.layers.Dense(10)])

GoogLeNet模型的计算复杂，而且不如VGG那样便于修改通道数。 [为了使Fashion-MNIST上的训练短小精悍，我们将输入的高和宽从224降到96]，这简化了计算。下面演示各个模块输出的形状变化。

```{.python .input} X = np.random.uniform(size=(1, 1, 96, 96)) net.initialize() for layer in net: X = layer(X) print(layer.name, ‘output shape:\t’, X.shape)

  2. ```{.python .input}
  3. #@tab pytorch
  4. X = torch.rand(size=(1, 1, 96, 96))
  5. for layer in net:
  6.     X = layer(X)
  7.     print(layer.__class__.__name__,'output shape:\t', X.shape)

```{.python .input}

@tab tensorflow

X = tf.random.uniform(shape=(1, 96, 96, 1)) for layer in net().layers: X = layer(X) print(layer.class.name, ‘output shape:\t’, X.shape)

  2. ## [**训练模型**]
  4. 和以前一样，我们使用Fashion-MNIST数据集来训练我们的模型。在训练之前，我们将图片转换为$96 \times 96$分辨率。
  6. ```{.python .input}
  7. #@tab all
  8. lr, num_epochs, batch_size = 0.1, 10, 128
  9. train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
  10. d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

小结

  • Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层来并行抽取信息，并使用$1×1$卷积层减少每像素级别上的通道维数从而降低模型复杂度。
  • GoogLeNet将多个设计精细的Inception块与其他层（卷积层、全连接层）串联起来。其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的。
  • GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一：它以较低的计算复杂度提供了类似的测试精度。

练习

  1. GoogLeNet有一些后续版本。尝试实现并运行它们，然后观察实验结果。这些后续版本包括：
    • 添加批量规范化层 :cite:Ioffe.Szegedy.2015（batch normalization），在 :numref:sec_batch_norm中将介绍。
    • 对Inception模块进行调整 :cite:Szegedy.Vanhoucke.Ioffe.ea.2016。
    • 使用标签平滑（label smoothing）进行模型正则化 :cite:Szegedy.Vanhoucke.Ioffe.ea.2016。
    • 加入残差连接 :cite:Szegedy.Ioffe.Vanhoucke.ea.2017。（ :numref:sec_resnet将介绍）。
  2. 使用GoogLeNet的最小图像大小是多少？
  3. 将AlexNet、VGG和NiN的模型参数大小与GoogLeNet进行比较。后两个网络架构是如何显著减少模型参数大小的？

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab:

:begin_tab:tensorflow Discussions :end_tab: